基于优化支持向量回归机的气浮单元水质预测模型

doi:10.19965/j.cnki.iwt.2024-0325

摘要/Abstract

摘要：

为解决炼化污水处理系统气浮单元出水水质获取时滞严重的问题，构建了基于支持向量回归机（SVR）的气浮单元水质预测模型，利用皮尔逊相关系数（PCC）、斯皮尔曼相关系数（SCC）以及平均影响值算法（MIV）对模型输入参数进行降维，在此基础上利用交叉验证算法（K-CV）和网格搜索算法（GSA）对模型进行参数优化。结果表明，气浮单元出水COD和进水NH₃-N相关性最强，去除冗余变量，将NH₃-N作为模型输入可以有效提升模型预测精度。当惩罚因子c趋近于1，核函数参数g趋近于2 000时，模型预测均方误差（MSE）最小（MSE=0.000 67），预测精度最高；优化后SVR模型决定系数（R ²）和相关性系数（r）分别为0.69和0.85，平均绝对百分比误差（MAPE）为0.05，预测精度远高于传统SVR和经典BP-ANN模型。现场验证结果表明该模型能实现对气浮单元出水水质的有效预测，平均百分比误差<5%，预测时间<1 min，极大程度提高了水质数据的时效性。

关键词: 炼化企业, 污水处理系统, 气浮单元, 支持向量回归机, 水质预测模型

Abstract:

To solve the problem of serious delay of effluent water quality data from air flotation units in refinery wastewater treatment system, a water quality prediction model based on support vector regression(SVR) was developed. Pearson correlation coefficients(PCC), Spearman correlation coefficients(SCC), and mean influence value algorithm(MIV) were used to reduce the dimensionality of the input parameters of the model. On this basis, cross validation algorithm(K-CV) and grid search algorithm(GSA) were used to optimize the parameters of SVR prediction model. The results indicated that the effluent COD and influent NH₃-N of the air flotation unit had the strongest correlation. Removing redundant variables and using NH₃-N as the model input could effectively improve the prediction accuracy of the model. When the penalty factor c approached 1 and the kernel function parameter g approached 2 000, the mean square error(MSE) of the model prediction was the smallest (MSE=0.000 67) and the accuracy was the highest. The determination coefficient(R ²) and correlation coefficient(r) of the SVR model were 0.69 and 0.85, respectively, with the mean absolute percentage error(MAPE) of 0.05. The prediction accuracy was much higher than that of the SVR model and BP neural network model. The on-site verification results showed that the model could effectively predict the effluent water quality of the air flotation unit, with an average percentage error of <5% and prediction time of <1 min, which greatly improved the timeliness of water quality data.

Key words: petrochemical refineries, wastewater treatment system, air flotation unit, support vector regression, water quality prediction model

中图分类号:

TP181
X742

陈霖, 晏欣, 唐智和, 冉照宽, 李斌莲, 栾辉, 陈春茂. 基于优化支持向量回归机的气浮单元水质预测模型[J]. 工业水处理, 2025, 45(5): 157-165.

Lin CHEN, Xin YAN, Zhihe TANG, Zhaokuan RAN, Binlian LI, Hui LUAN, Chunmao CHEN. Water quality prediction model of air flotation unit based on optimization support vector regression machine[J]. Industrial Water Treatment, 2025, 45(5): 157-165.

https://www.iwt.cn/CN/Y2025/V45/I5/157

图/表 11

图1 SVR模型结构

Fig.1 SVR model structure

图2 2023年气浮单元进水和出水水质数据

Fig. 2 Water quality data of inlet and outlet of air flotation unit in 2023

表1 PCC相关性矩阵

Table 1 Correlation matrix of PCC

项目	COD	NH₃-N	挥发酚	浊度	电导率
COD	1	0.52	-0.13	0.01	0.03
NH₃-N	0.52	1	0.15	0.04	0.10
挥发酚	-0.13	0.15	1	0.22	0.40
浊度	0.01	0.04	0.22	1	0.12
电导率	0.03	0.10	0.40	0.12	1

表2 SCC相关性矩阵

Table 2 Correlation matrix of SCC

项目	COD	NH₃-N	挥发酚	浊度	电导率
COD	1	0.51	0.06	0.07	0.08
NH₃-N	0.51	1	0.05	0.08	0.24
挥发酚	0.06	0.05	1	-0.19	0.37
浊度	0.07	0.08	-0.19	1	0.26
电导率	0.08	0.24	0.37	0.26	1

图3 MIV计算结果

Fig.3 MIV running results

表3 不同类型核函数预测结果精度对比

Table 3 Comparison of prediction accuracy for different types of kernel functions

核函数类型	R ²	r	RMSE	MAPE	MAE	MBE
线性	0.22	0.48	62.1	0.11	37.2	4.08
多项式	0.02	0.14	70.3	0.12	39.5	-7.20
RBF	0.28	0.53	57.2	0.11	36.1	-4.03
Sigmoid	0.18	0.44	64.2	0.13	37.4	5.31

图4 K-CV及GSA优化算法运行结果

Fig.4 Running results of K-CV and GSA optimization algorithms

图5 K-CV优化后SVR模型预测结果

Fig.5 Prediction results of K-CV optimized SVR model

图6 BP-ANN模型预测结果

Fig.6 Prediction results of BP-ANN model

表4 不同模型预测结果精度对比

Table 4 Comparison of prediction accuracy of different models

预测模型	R ²	r	RMSE	MAPE	MAE	MBE
SVR	0.28	0.53	57.2	0.11	36.1	-4.03
优化后SVR	0.69	0.85	30.3	0.05	18.4	3.01
经典BP-ANN	0.30	0.62	61.4	0.10	38.1	7.21

图7 优化后SVR模型预测结果验证

Fig.7 Prediction results validation of optimized SVR model

参考文献 24

1	王庆吉，胡景泽，孙秀梅，等. 石油石化含油废水混凝气浮处理系统研究进展［J］. 工业水处理，2024，44（3）：45-56.
	WANG Qingji， HU Jingze， SUN Xiumei，et al. Research progress of coagulation air flotation treatment system for petroleum and petrochemical wastewater［J］. Industrial Water Treatment，2024，44（3）：45-56.
2	杨玉香，陈兴，张世东. 加压式溶气气浮在炼油污水处理中的应用［J］. 中小企业管理与科技（下旬刊），2016（3）：248.
	YANG Yuxiang， CHEN Xing， ZHANG Shidong. Application of pressurized dissolved air flotation in refinery wastewater treatment［J］. Management & Technology of SME，2016（3）：248.
3	王重阳，马菁华，吴睿钰，等. 基于BP神经网络的水华预测模型及其敏感性分析［J］. 信息记录材料，2018，19（11）：81-83.
	WANG Chongyang， MA Jinghua， WU Ruiyu，et al. Prediction model of water bloom based on BP neural network and its sensitivity analysis［J］. Information Recording Materials，2018，19（11）：81-83.
4	叶延亮，庄严. 基于BP神经网络的水质预测技术［J］. 北华大学学报（自然科学版），2012，13（4）：493-496.
	YE Yanliang， ZHUANG Yan. Water quality prediction technology based on BP neural network［J］. Journal of Beihua University（Natural Science），2012，13（4）：493-496.
5	ZHANG Jingyi， CHEN Cunkun， WU Caie，et al. Storage quality prediction of winter jujube based on particle swarm optimization-backpropagation-artificial neural network（PSO-BP-ANN）［J］. Scientia Horticulturae，2024，331：112789. doi:10.1016/j.scienta.2023.112789
6	SU Xuehua， HE Xiaolong， ZHANG Gang，et al. Research on SVR water quality prediction model based on improved sparrow search algorithm［J］. Computational Intelligence and Neuroscience，2022（1）：7327072. doi:10.1155/2022/7327072
7	李召桐. 支持向量机发展历程及其应用［J］. 信息系统工程，2024（3）：124-126. doi:10.1109/cac63892.2024.10865757
	LI Zhaotong. Development and application of support vector machine［J］. China CIO News，2024（3）：124-126. doi:10.1109/cac63892.2024.10865757
8	曹泓，储政勇，李臻. 基于人工神经网络的巢湖流域水体总磷和总氮预测［J］. 科技风，2019（20）：200.
	CAO Hong， CHU Zhengyong， LI Zhen. Prediction of total phosphorus and total nitrogen in Chaohu Lake Basin based on artificial neural network［J］. Technology Wind，2019（20）：200.
9	孟滔. 改进粒子群算法优化SVR水质预测模型研究［J］. 农业与技术，2021，41（3）：33-36.
	MENG Tao. Optimization of SVR water quality prediction model by improved particle swarm optimization［J］. Agriculture and Technology，2021，41（3）：33-36.
10	马泽恺. 基于支持向量机的优化算法及其在水质预测中的应用［D］. 昆明：昆明理工大学，2015.
	MA Zekai. Optimization algorithm based on support vector machine and its application in water quality prediction［D］. Kunming：Kunming University of Science and Technology，2015.
11	孟滔. 支持向量回归水质预测模型的研究进展［J］. 绿色科技，2021，23（8）：77-79.
	MENG Tao. Research progress of water quality prediction model based on support vector regression［J］. Journal of Green Science and Technology，2021，23（8）：77-79.
12	梁勇. 基于支持向量回归的水质预测研究［D］. 武汉：武汉理工大学，2012. doi:10.4028/www.scientific.net/amr.433-440.263
	LIANG Yong. Study on water quality prediction based on support vector regression［D］. Wuhan：Wuhan University of Technology，2012. doi:10.4028/www.scientific.net/amr.433-440.263
13	武暕，郭飞，杨明儒. 2002—2017年葠窝水库及入库河流水质相关性分析和影响因素［J］. 环境工程，2019，37（10）：206-210.
	WU Jian， GUO Fei， YANG Mingru. Water quality correlation analysis and influencing factors in the Shenwo Reservoir and its joint rivers during 2002—2017［J］. Environmental Engineering，2019，37（10）：206-210.
14	ZHANG Yilong， CHEN Pengyu， LI Xia，et al. Correlation analysis between microbial fouling resistance，flow rate and water quality parameters［J］. Heat and Mass Transfer，2022，58（6）：981-989. doi:10.1007/s00231-021-03155-1
15	杨勇，梁文，赵亮庆，等. 不同产地三七总皂苷和土壤矿质元素、水质的相关性分析［J］. 云南大学学报（自然科学版），2023，45（6）：1331-1339.
	YANG Yong， LIANG Wen， ZHAO Liangqing，et al. The correlations analysis between total saponin and soil mineral elements，water factors of Panax notoginseng from different producing areas［J］. Journal of Yunnan University（Natural Sciences Edition），2023，45（6）：1331-1339.
16	胡泽文，周西姬. 基于BP神经网络和MIV算法的高价值专利预测与影响因素分析［J］. 信息资源管理学报，2023，13（6）：144-155.
	HU Zewen， ZHOU Xiji. Predicting highly-value patents and analyzing its determinants based on BP neural network and MIV algorithm［J］. Journal of Information Resources Management，2023，13（6）：144-155.
17	ZHU Wen. Application of regression neural network and MIV algorithm in visual communication design［J］. Journal of Physics：Conference Series，2021，1941（1）：012081. doi:10.1088/1742-6596/1941/1/012081
18	刘洋. 基于PLS和SVR的水质预测模型研究［D］. 昆明：昆明理工大学，2017.
	LIU Yang. Research on water quality prediction model based on PLS and SVR［D］. Kunming：Kunming University of Science and Technology，2017.
19	宋贤民. 基于支持向量机的出水TP软测量［J］. 科技信息，2009（3）： 454.
	SONG Xianmin. Soft sensing of effluent TP based on support vector machine［J］. Science & Technology Information，2009（3）：454.
20	郑一华. 基于支持向量机的水质评价和预测研究［D］. 南京：河海大学，2006.
	ZHENG Yihua. Research on water quality evaluation and prediction based on support vector machine［D］. Nanjing：Hohai University，2006.
21	PALLANT J. SPSS survival manual： A step by step guide to data analysis using IBM SPSS［M］. 7th ed tion. New York：McGraw-Hill Education，2020：138-145. doi:10.4324/9781003117407-16
22	WANG Wenjian， Changqian MEN， LU Weizhen. Online prediction model based on support vector machine［J］. Neurocomputing，2008，71（4/5/6）：550-558. doi:10.1016/j.neucom.2007.07.020
23	YU Wen， LI Xiaoou. On-line fuzzy modeling via clustering and support vector machines［J］. Information Sciences，2008，178（22）：4264-4279. doi:10.1016/j.ins.2008.07.014
24	张颖，高倩倩. 基于灰色模型和模糊神经网络的综合水质预测模型研究［J］. 环境工程学报，2015，9（2）：537-545.
	ZHANG Ying， GAO Qianqian. Comprehensive prediction model of water quality based on grey model and fuzzy neural network［J］. Chinese Journal of Environmental Engineering，2015，9（2）：537-545.

[1]	张璇, 陈霖, 张鑫倩, 王庆宏, 何晨, 詹亚力, 陈春茂. 炼化企业停工大检修污水水质特性综合表征[J]. 工业水处理, 2024, 44(9): 151-159.
[2]	郭利进, 李博仑. 基于GNFA-SVR污水出水总氮软测量研究[J]. 工业水处理, 2022, 42(10): 111-117.
[3]	陈国,宋阳,曲婧. 石油炼化企业污水处理场提标改造工作的探讨[J]. 工业水处理, 2019, 39(7): 10-13.
[4]	刘雪鹏, 杨友麒, 吴盛文, 庄芹仙, 赵艳微. 炼化企业循环冷却水系统节水技术探讨[J]. 工业水处理, 2013, 33(10): 11-15.
[5]	仲华. 东海某气田CEP平台污水处理系统扩容改造实施[J]. 工业水处理, 2012, 32(3): 74-76.
[6]	黄满红, 陈亮, 陈东辉. 污水处理系统中PPCPs的迁移转化研究[J]. 工业水处理, 2009, 29(7): 15-17.

选择文件类型/文献管理软件名称

选择包含的内容